论文部分内容阅读
[摘 要]我国电力系统中已建立了视频监控系统，但是现有的系统不能替代人开展变电站工作现场安全的相关自动检测工作。因此，研究了视觉辨识技术及其在电力系统视频监控中的应用。
[关键词]视觉辨识 视频监控 电力系统
中图分类号：TM76 文献标识码：A 文章编号：1009-914X（2016）13-0185-01
1.引言
目前，我国电力系统中都已安装了视频监控摄像头，而现有的视频监控系统不具备安防生产联动监控的功能。推广应用变电站安全监控系统，以自动化的科技手段替代人开展变电站工作现场安全的相关自动检测工作，是提高变电站运行安全保障能力的一个非常重要的途径。
2.视觉辨识技术
（1）基于机器学习的多媒体识别技术
多媒体识别技术是通过计算机视觉或其他传感器等多媒体手段检查对象的特征，进行辨认和判断的一种技术，核心在于如何寻找对象的特征并作取样，提取其唯一性的内容，转换为数字信息，并基于相关算法识别不同的目标和对象。多媒体识别是多媒体应用的一个新的领域，特别是其与人工智能相交融，基于机器学习算法，衍生出图像文字识别、视频分析、生物特征识别等多种类型。其中视频分析：使用计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据的视频内容分析功能，通过在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，监控工作站自动弹出报警信息并发出警示音，用户可以通过点击报警信息，实现报警的场景重组并采取相关措施。
（2）机器学习
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，其研究主旨是使用计算机模拟人类的学习活动，它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等。将机器学习方法区分为以下六类：
1） 经验性归纳学习。经验性归纳学习采用一些数据密集的经验方法（如版本空间法、ID3法，定律发现方法）对例子进行归纳学习。其例子和学习结果一般都采用属性、谓词、关系等符号表示。归纳学习是由环境提供某概念的一些实例或反例，学习器通过归纳推理得出该概念的一般描述。
2） 分析学习。分析学习方法是从一个或少数几个实例出发，运用领域知识进行分析。其主要特征为：推理策略主要是演绎，而非归纳；使用过去的問题求解经验（实例）指导新的问题求解，或产生能更有效地运用领域知识的搜索控制规则。分析学习的目标是改善系统的性能，而不是新的概念描述。
3） 类比学习。利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。类比学习一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。
4）遗传算法。遗传算法模拟生物繁殖的突变、交换和达尔文的自然选择（在每一生态环境中适者生存）。它把问题可能的解编码为一个向量，称为个体，向量的每一个元素称为基因，并利用目标函数（相应于自然选择标准）对群体（个体的集合）中的每一个个体进行评价，根据评价值（适应度）对个体进行选择、交换、变异等遗传操作，从而得到新的群体。
5）联接学习。典型的联接模型实现为人工神经网络，其由称为神经元的一些简单计算单元以及单元间的加权联接组成。
6）增强学习。增强学习的特点是通过与环境的试探性交互来确定和优化动作的选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态的变化，并有可能得到某种强化信号（立即回报），从而实现与环境的交互。强化信号就是对系统行为的一种标量化的奖惩。系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果（如累计立即回报最大）。
（3）视频行为分析
视频中运动目标行为分析与理解是计算机视觉中一个重要的研究方向，它希望计算机象人一样可以自动地分析理解视频数据，知道场景中是谁，在哪里？发生了什么？视频内容分析技术通过对可视的监视摄像机视频图像进行分析，并具备对多种背景的过滤能力，通过建立人类活动的模型，借助计算机的高速计算能力使用各种过滤器，排除监视场景中非人类的干扰因素，准确判断人类在视频监视图像中的各种活动。
3.视频监控技术应用
（1）高级视频移动侦测：在复杂的天气环境中（例如雨雪、大雾、大风等）精确地侦测和识别单个物体或多个物体的运动情况，包括运动方向、运动特征等。可运用于变电站一般场景监控。
（2）物体追踪：侦测到移动物体之后，根据物体的运动情况自动发送PTZ控制指令，使摄像机能自动跟踪物体，在物体超出该摄像机监控范围之后，自动通知物体所在区域的摄像机继续进行追踪。应用于变电站重点场所、重点人物、车辆和物体的监控。
（3）车辆识别：识别车辆的形状、颜色、车牌号码等特征，并反馈给监控者。可用于变电站安防和车库车辆监控识别。
（4）遗留、遗弃物品检测：当一个物体（如箱子、包裹、车辆、人物等）在敏感区域停留的时间过长或超过了预定义的时间长度就产生报警。可用于变电站工作现场检测，如在工作现场有遗留或者遗弃物品，及时报警通知监控人员进行处理。
（5）入侵探测：可感知设定区域内突然出现和入侵的物体并及时报警。可在变电站摄像机监视内设置一定区域，如该区域出现和入侵物体，就发出报警，通知监控人员及时处理。
（6）物品被盗或移动检测：当监控场景中的物体被盗或移动，算法将自动检测这种动作，常用于变电站中贵重物品和关键设备的监控。
（7）人体行为分析：在目标检测分类的基础上，利用人体的各种行为特征对其进行各种行为的描述和分析，提取那些危险和有潜在危险的行为。可用于变电站作业安全管控，对作业人员在工作中误入其他区域进行报警，并及时通知相关监护人员。
（8）焰火检测：根据发生火焰过程中烟火表现出的特征进行烟火的实时检测。可在变电站摄像机监视内设置警戒区域，如该区域有火焰出现并达到触发门限时，产生告警。
4.总结
目前，电力系统中存在的视频监控系统依然需要工作人员不间断地分析监视场景内的活动，不能自动的、智能的分析。但随着电网规模的不断扩大，对于电力设备运行安全及人身安全的要求更高。因此，变电站视频监控系统更加自动化、智能化成为发展趋势，不仅减轻监控人员的工作量，也能够对各类事故提前预警，增强变电站运行和维护的安全性及可靠性。
参考文献：
[1] 林逢春，许晓辉，安英海等.变电站安全监视中人体检测的视觉辨识研究[J].电工技术，2015，10：23-25.
[关键词]视觉辨识 视频监控 电力系统
中图分类号：TM76 文献标识码：A 文章编号：1009-914X（2016）13-0185-01
1.引言
目前，我国电力系统中都已安装了视频监控摄像头，而现有的视频监控系统不具备安防生产联动监控的功能。推广应用变电站安全监控系统，以自动化的科技手段替代人开展变电站工作现场安全的相关自动检测工作，是提高变电站运行安全保障能力的一个非常重要的途径。
2.视觉辨识技术
（1）基于机器学习的多媒体识别技术
多媒体识别技术是通过计算机视觉或其他传感器等多媒体手段检查对象的特征，进行辨认和判断的一种技术，核心在于如何寻找对象的特征并作取样，提取其唯一性的内容，转换为数字信息，并基于相关算法识别不同的目标和对象。多媒体识别是多媒体应用的一个新的领域，特别是其与人工智能相交融，基于机器学习算法，衍生出图像文字识别、视频分析、生物特征识别等多种类型。其中视频分析：使用计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据的视频内容分析功能，通过在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，监控工作站自动弹出报警信息并发出警示音，用户可以通过点击报警信息，实现报警的场景重组并采取相关措施。
（2）机器学习
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，其研究主旨是使用计算机模拟人类的学习活动，它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等。将机器学习方法区分为以下六类：
1） 经验性归纳学习。经验性归纳学习采用一些数据密集的经验方法（如版本空间法、ID3法，定律发现方法）对例子进行归纳学习。其例子和学习结果一般都采用属性、谓词、关系等符号表示。归纳学习是由环境提供某概念的一些实例或反例，学习器通过归纳推理得出该概念的一般描述。
2） 分析学习。分析学习方法是从一个或少数几个实例出发，运用领域知识进行分析。其主要特征为：推理策略主要是演绎，而非归纳；使用过去的問题求解经验（实例）指导新的问题求解，或产生能更有效地运用领域知识的搜索控制规则。分析学习的目标是改善系统的性能，而不是新的概念描述。
3） 类比学习。利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。类比学习一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。
4）遗传算法。遗传算法模拟生物繁殖的突变、交换和达尔文的自然选择（在每一生态环境中适者生存）。它把问题可能的解编码为一个向量，称为个体，向量的每一个元素称为基因，并利用目标函数（相应于自然选择标准）对群体（个体的集合）中的每一个个体进行评价，根据评价值（适应度）对个体进行选择、交换、变异等遗传操作，从而得到新的群体。
5）联接学习。典型的联接模型实现为人工神经网络，其由称为神经元的一些简单计算单元以及单元间的加权联接组成。
6）增强学习。增强学习的特点是通过与环境的试探性交互来确定和优化动作的选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态的变化，并有可能得到某种强化信号（立即回报），从而实现与环境的交互。强化信号就是对系统行为的一种标量化的奖惩。系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果（如累计立即回报最大）。
（3）视频行为分析
视频中运动目标行为分析与理解是计算机视觉中一个重要的研究方向，它希望计算机象人一样可以自动地分析理解视频数据，知道场景中是谁，在哪里？发生了什么？视频内容分析技术通过对可视的监视摄像机视频图像进行分析，并具备对多种背景的过滤能力，通过建立人类活动的模型，借助计算机的高速计算能力使用各种过滤器，排除监视场景中非人类的干扰因素，准确判断人类在视频监视图像中的各种活动。
3.视频监控技术应用
（1）高级视频移动侦测：在复杂的天气环境中（例如雨雪、大雾、大风等）精确地侦测和识别单个物体或多个物体的运动情况，包括运动方向、运动特征等。可运用于变电站一般场景监控。
（2）物体追踪：侦测到移动物体之后，根据物体的运动情况自动发送PTZ控制指令，使摄像机能自动跟踪物体，在物体超出该摄像机监控范围之后，自动通知物体所在区域的摄像机继续进行追踪。应用于变电站重点场所、重点人物、车辆和物体的监控。
（3）车辆识别：识别车辆的形状、颜色、车牌号码等特征，并反馈给监控者。可用于变电站安防和车库车辆监控识别。
（4）遗留、遗弃物品检测：当一个物体（如箱子、包裹、车辆、人物等）在敏感区域停留的时间过长或超过了预定义的时间长度就产生报警。可用于变电站工作现场检测，如在工作现场有遗留或者遗弃物品，及时报警通知监控人员进行处理。
（5）入侵探测：可感知设定区域内突然出现和入侵的物体并及时报警。可在变电站摄像机监视内设置一定区域，如该区域出现和入侵物体，就发出报警，通知监控人员及时处理。
（6）物品被盗或移动检测：当监控场景中的物体被盗或移动，算法将自动检测这种动作，常用于变电站中贵重物品和关键设备的监控。
（7）人体行为分析：在目标检测分类的基础上，利用人体的各种行为特征对其进行各种行为的描述和分析，提取那些危险和有潜在危险的行为。可用于变电站作业安全管控，对作业人员在工作中误入其他区域进行报警，并及时通知相关监护人员。
（8）焰火检测：根据发生火焰过程中烟火表现出的特征进行烟火的实时检测。可在变电站摄像机监视内设置警戒区域，如该区域有火焰出现并达到触发门限时，产生告警。
4.总结
目前，电力系统中存在的视频监控系统依然需要工作人员不间断地分析监视场景内的活动，不能自动的、智能的分析。但随着电网规模的不断扩大，对于电力设备运行安全及人身安全的要求更高。因此，变电站视频监控系统更加自动化、智能化成为发展趋势，不仅减轻监控人员的工作量，也能够对各类事故提前预警，增强变电站运行和维护的安全性及可靠性。
参考文献：
[1] 林逢春，许晓辉，安英海等.变电站安全监视中人体检测的视觉辨识研究[J].电工技术，2015，10：23-25.